To Εργαστήριο Τεχνολογίας των Κατεργασιών (ΕΤΚ) του Εθνικού Μετσόβιου Πολυτεχνείου (ΕΜΠ) συμμετέχει ενεργά στο έργο MARS το οποίο χρηματοδοτείται από την Ευρωπαϊκή Ένωση, με σκοπό να βοηθήσει τις μικρομεσαίες επιχειρήσεις να αποκτήσουν πρόσβαση σε πρωτοποριακές ψηφιακές πλατφόρμες
Γράφουν οι κ. Μανώλης Σταθάτος, Πανώριος Μπενάρδος και Γιώργος Χ. Βοσνιάκος
Οι ευρωπαϊκές κατασκευαστικές μικρομεσαίες επιχειρήσεις αποτελούν ακρογωνιαίο λίθο της οικονομίας της ΕΕ. Παρά τη μεγάλη εξειδίκευσή τους σε συγκεκριμένους επιχειρηματικούς τομείς, αντιμετωπίζουν προκλήσεις λόγω της έλλειψης ριζικής τεχνικής καινοτομίας και των ευάλωτων σημείων στις αλυσίδες εφοδιασμού τους.
Το πρόγραμμα «Manifacturing Architecture for Resilience and Sustainability» (MARS) είναι ένα ερευνητικό έργο που χρηματοδοτείται από την ΕΕ στα πλαίσια του Horizon Europe και θα ολοκληρωθεί το 2026, με στόχο την αντιμετώπιση αυτών των προβλημάτων, παρέχοντας στις μικρομεσαίες επιχειρήσεις πρόσβαση σε πρωτοποριακές ψηφιακές τεχνολογίες που βασίζονται στη μηχανική μάθηση (ΜΜ) και ενσωματώνονται σε γεωγραφικά διάσπαρτες αλυσίδες παραγωγής.
Με την τεχνογνωσία πολλαπλών ευρωπαϊκών εταίρων, το MARS αναπτύσσει τεχνολογίες Βιομηχανίας 4.0 όπως είναι ψηφιακά δίδυμα για προϊόντα και μηχανές, μοντέλα κατεργασιών βασισμένα σε μηχανική μάθηση, τεχνολογία blockchain για ασφάλεια και ιχνηλασιμότητα δεδομένων, πολυπαραγοντικός σχεδιασμός παραγωγής και βελτιστοποίηση με επίκεντρο την περιβαλλοντική βιωσιμότητα. Το έργο στοχεύει να προσφέρει ευελιξία σε όλες τις πτυχές της παραγωγής, από τις διαδικασίες και τις πρώτες ύλες έως την τεχνολογία και τα χρονοδιαγράμματα παράδοσης, διατηρώντας πάντα την ποιότητα και τη βιωσιμότητα των προϊόντων.
Το Εργαστήριο Τεχνολογίας των Κατεργασιών (ΕΤΚ) του Εθνικού Μετσόβιου Πολυτεχνείου συμβάλλει στο έργο MARS, και παρακάτω εξετάζεται αυτή η συμβολή εστιάζοντας στην τόρνευση μέσω αριθμητικού ελέγχου με τη βοήθεια ηλεκτρονικού υπολογιστή (Computer Νumerical Control [CNC]) ως παραδειγματική διαδικασία. Οι μέθοδοι και οι τεχνολογίες που παρουσιάζονται μπορούν να εφαρμοστούν σε διάφορες κατεργασίες και σε συνδυασμούς κατεργασιών. Αναλύεται η φιλοσοφία δημιουργίας, καθώς και εφαρμογές μοντέλων μηχανικής μάθησης προσαρμοσμένων κατάλληλα για τον τομέα των κατεργασιών, ενώ δίνεται ιδιαίτερη έμφαση στην προστιθέμενη αξία που προσφέρουν αυτές οι τεχνολογίες στις μικρομεσαίες επιχειρήσεις, ειδικά σε ό,τι αφορά την αποδοτικότητα, την επιτάχυνση της διάθεσης προϊόντων στην αγορά και τη βιωσιμότητα.
Τόρνευση CNC
Το κέντρο τόρνευσης CNC είναι μια εργαλειομηχανή για κατεργασία αξονοσυμμετρικών τεμαχίων (βλ. σχήμα 1α). Η αρχή λειτουργίας της τόρνευσης στηρίζεται στην περιστροφή του κατεργαζόμενου τεμαχίου έναντι κοπτικού εργαλείου, με αποτέλεσμα την αποβολή υλικού. Το κοπτικό εργαλείο κινείται σε προκαθορισμένη τροχιά βάσει κώδικα μηχανής (G-code), επιτρέποντας την ακριβή και αυτοματοποιημένη κατεργασία του τεμαχίου. Οι παράμετροι κατεργασίας, όπως είναι η ταχύτητα κοπής, η πρόωση και το βάθος κοπής (σχήμα 1β), επηρεάζουν την ποιότητα του τελικού τεμαχίου· συνεπώς στόχος είναι η κατάλληλη ρύθμισή τους για τη βελτιστοποίηση της κατεργασίας.
Σχήμα 1: α) Είδη κατεργασιών τόρνευσης, β) Παράμετροι διαμήκους τόρνευσης.
Η επιλογή των παραμέτρων κατεργασίας αποτελεί πράξη εξισορρόπησης μεταξύ πολλών παραγόντων, συμπεριλαμβανομένου του υλικού και της γεωμετρίας του τεμαχίου, του κοπτικού εργαλείου, των δυνατοτήτων της μηχανής, της επιθυμητής ποιότητας και της οικονομικής και περιβαλλοντικής βιωσιμότητας.
Ανάλογα με το συνδυασμό των παραμέτρων κατεργασίας, οι δυνάμεις κοπής, οι κραδασμοί και οι διακυμάνσεις της θερμοκρασίας μπορούν να επηρεάσουν την ποιότητα του τελικού προϊόντος και τη συνολική απόδοση της κατεργασίας. Οδηγίες από κατασκευαστές εργαλείων, σε συνδυασμό με εμπειρικά μοντέλα και εργαλεία προσομοίωσης, αποτελούν σημείο εκκίνησης για την επιλογή των παραμέτρων κατεργασίας.
Ωστόσο, οι οδηγίες αυτές τυπικά είναι γενικές και συντηρητικές· επομένως χρησιμοποιείται συχνά η μέθοδος δοκιμής – σφάλματος για τον προσδιορισμό κατάλληλων παραμέτρων, οι οποίες δεν είναι απαραίτητα οι βέλτιστες. Για τη διασφάλιση σταθερής και υψηλής ποιότητας είναι κρίσιμο να παρακολουθούνται μετρικές ποιότητας (όπως είναι η τραχύτητα και η διαστασιολογική ακρίβεια του τεμαχίου) και να εντοπίζονται οι συσχετισμοί τους με τις παραμέτρους κατεργασίας, ώστε να καταστεί εφικτός ο στόχος της βελτιστοποίησης.
Μηχανική μάθηση
Τα δεδομένα που συλλέγονται κατά τη διάρκεια πειραμάτων κατεργασίας (βλ. σχήμα 2) χρησιμεύουν ως βάση για την ανάπτυξη μοντέλων μηχανικής μάθησης (ΜΜ) που στοχεύουν στην πρόβλεψη και στον έλεγχο της ποιότητας των κατεργαζόμενων τεμαχίων. Ένα χρήσιμο πλαίσιο για την κατανόηση αυτής της διαδικασίας είναι η αλυσίδα αιτιότητας, που παρουσιάζεται στο σχήμα 3.
Σχήμα 2: Καταγραφή σημάτων επιτάχυνσης από κατεργασία τόρνευσης.
Σχήμα 3: Παράμετροι κατεργασίας τόρνευσης και αλυσίδα αιτιότητας.
Οι σταθερές παράμετροι, όπως η γεωμετρία, το υλικό και τα χαρακτηριστικά της μηχανής, είναι προκαθορισμένες και αμετάβλητες για μία δεδομένη κατεργασία. Η γεωμετρία, για παράδειγμα, αποτελεί πολυδιάστατο χώρο και απαιτεί διαστασιολογική μείωση προκειμένου να χρησιμοποιηθεί ως είσοδος μοντέλου μηχανικής μάθησης, κάτι το οποίο είναι μη τετριμμένο και αποτελεί ανοιχτό πρόβλημα.
Τα χαρακτηριστικά της εργαλειομηχανής, όπως η στιβαρότητα και οι συχνότητες συντονισμού, θεωρούνται επίσης σταθερά και τυπικά δεν αποτελούν είσοδο μοντέλου. Αντίθετα, τα μοντέλα εκπαιδεύονται για συγκεκριμένες εργαλειομηχανές και ρυθμίζονται (fine-tuning) για διαφορετικά υλικά.
Οι παράμετροι ελέγχου, όπως η ταχύτητα κοπής, η πρόωση και το βάθος κοπής, είναι ρυθμιζόμενες τιμές. Η ταχύτητα κοπής και η πρόωση είναι δυνατό να μεταβάλλονται κατά την εξέλιξη της κατεργασίας, ενώ δεδομένα βάθη κοπής μπορούν να ρυθμιστούν μόνο για επόμενα τεμάχια.
Το φασεολόγιο χρησιμεύει ως στρατηγικό σχέδιο για την εκτέλεση μιας κατεργασίας. Συνθέτει τόσο τις σταθερές παραμέτρους όσο και τις παραμέτρους ελέγχου, καθορίζοντας τις συνθήκες κατεργασίας, την επιλογή εργαλείων και την αλληλουχία εργασιών. Οι πληροφορίες αυτές κωδικοποιούνται στον G-code.
Τα δευτερογενή φαινόμενα (ή «παρενέργειες») όπως οι δονήσεις και οι δυνάμεις κοπής είναι ενδιάμεσα αποτελέσματα που επηρεάζονται τόσο από τις σταθερές όσο και από τις παραμέτρους ελέγχου. Αυτές οι παρενέργειες έχουν άμεσο αντίκτυπο στις μετρήσεις ποιότητας, όπως είναι η τραχύτητα επιφάνειας και η διαστασιολογική ακρίβεια. Συνεπώς η αλυσίδα αιτιότητας συνοψίζεται ως εξής:
Σταθερές Παράμετροι + Παράμετροι Ελέγχου (Φασεολόγιο) -> «Παρενέργειες» -> Μετρικές Ποιότητας
Κάθε βέλος αντιπροσωπεύει ένα βήμα όπου μια πτυχή επηρεάζει την επόμενη. Η εύρεση βέλτιστης λύσης απαιτεί να λυθεί τόσο το ευθύ πρόβλημα (πρόβλεψη ποιότητας για δεδομένες συνθήκες) όσο και το αντίστροφο (καθοδηγούμενη αναζήτηση βέλτιστων παραμέτρων στο χώρο εισόδου).
Μοντέλα μηχανικής μάθησης
Η κατανόηση της αλυσίδας αιτιότητας είναι απαραίτητη για τη βελτιστοποίηση της κατεργασίας της τόρνευσης. Αν και η αλυσίδα μπορεί να μοιάζει αυτονόητη, παρουσιάζει προκλήσεις για τη βελτιστοποίηση σε πραγματικό χρόνο, ειδικά αν ληφθούν υπόψη πολύπλοκοι παράγοντες όπως για παράδειγμα η γεωμετρία του κατεργαζόμενου τεμαχίου. Για την αντιμετώπιση αυτών των προκλήσεων, προτείνονται τρία διακριτά μοντέλα μηχανικής μάθησης, το καθένα με ξεχωριστά χαρακτηριστικά αναφορικά με εισόδους, εξόδους, αλγόριθμους και στόχους, όπως αυτά συνοψίζονται στον πίνακα 1. Τα συγκεκριμένα μοντέλα είναι τα εξής:
Χαρακτηριστικά προτεινόμενων μοντέλων μηχανικής μάθησης.
α) Το Μοντέλο Βελτιστοποίησης Κατεργασίας, το οποίο στοχεύει στην εύρεση του βέλτιστου φασεολογίου με βάση κριτήρια όπως είναι η παραγωγικότητα, η ενεργειακή απόδοση και η διάρκεια ζωής των κοπτικών εργαλείων. Λειτουργώντας εκτός της κατεργασίας (offline), το μοντέλο αυτό δεν επιβαρύνεται με το υψηλό υπολογιστικό φορτίο των υπολογισμών σε πραγματικό χρόνο και βασίζεται σε μια αντικειμενική συνάρτηση που συνδυάζει τα παραπάνω κριτήρια, ώστε να προσδιορίσει τις βέλτιστες τιμές των παραμέτρων ελέγχου που ικανοποιούν τις προδιαγραφές ποιότητας και περιβαλλοντικής βιωσιμότητας.
β) Το Μοντέλο Παρακολούθησης Κατεργασίας, το οποίο εστιάζει στην παρακολούθηση της τόρνευσης σε πραγματικό χρόνο, καθώς αυτή πραγματοποιείται. Χρησιμοποιεί ως εισόδους μόνο τις παραμέτρους «παρενεργειών», όπως είναι κραδασμοί και δυνάμεις κοπής, με στόχο την πρόβλεψη μετρικών ποιότητας όσο το δυνατόν γρηγορότερα. Το μοντέλο αυτό έχει σχεδιαστεί να λειτουργεί σε πραγματικό χρόνο και κατά την εκτέλεση της κατεργασίας (online), ελαχιστοποιώντας το υπολογιστικό κόστος και δίνοντας άμεσες εκτιμήσεις.
γ) Το Μοντέλο Καθοδήγησης της Κατεργασίας, το οποίο προτείνει διορθωτικές ενέργειες όταν προβλέπονται αποκλίσεις από την επιθυμητή ποιότητα. Το μοντέλο αυτό εστιάζει στις αλληλεπιδράσεις μεταξύ των παραμέτρων ελέγχου και των εξόδων ποιότητας, ουσιαστικά παρακάμπτοντας την πολυπλοκότητα που εισάγεται από σταθερές παραμέτρους όπως είναι η γεωμετρία του τεμαχίου. Ανάλογα με τις δυνατότητες του ελεγκτή της εργαλειομηχανής, το μοντέλο αυτό μπορεί να λειτουργεί κατά την εκτέλεση της κατεργασίας (online), καθοδηγώντας το χειριστή στο να προβαίνει στις απαραίτητες ρυθμίσεις ή βοηθώντας στη βελτίωση του φασεολογίου για μελλοντικά τεμάχια.
Καθένα από αυτά τα μοντέλα εξυπηρετεί ένα μοναδικό σκοπό και λειτουργεί υπό διαφορετικούς περιορισμούς και απαιτήσεις. Όλα μαζί προσφέρουν μια ολική προσέγγιση για βελτιστοποίηση, παρακολούθηση και καθοδήγηση της κατεργασίας της τόρνευσης.
Εν κατακλείδι
Παραπάνω περιγράψαμε συνοπτικά την αναμενόμενη συνεισφορά του Εργαστηρίου Τεχνολογίας των Κατεργασιών (ΕΤΚ) του Εθνικού Μετσόβιου Πολυτεχνείου (ΕΜΠ) στο ερευνητικό πρόγραμμα MARS, εστιάζοντας σε μια εξαιρετικά οικεία κατεργασία, αυτή της τόρνευσης. Μέσω της ανάπτυξης μοντέλων μηχανικής μάθησης προσαρμοσμένων ειδικά σε συμβατικές κατεργασίες αποβολής υλικού, το Εργαστήριο Τεχνολογίας των Κατεργασιών στοχεύει αφενός να βελτιώσει σημαντικά την αποδοτικότητα και την περιβαλλοντική βιωσιμότητα και αφετέρου να μειώσει τον απαιτούμενο χρόνο εισαγωγής στην αγορά για νέα προϊόντα.
Πέρα από τα μοντέλα που βασίζονται στη μηχανική μάθηση, το ερευνητικό πρόγραμμα MARS ενσωματώνει και άλλες κρίσιμες τεχνολογίες, όπως είναι:
- Συστήματα Πολλαπλών Πρακτόρων (Multi-Agent Systems [MAS]) για βελτιστοποιημένη ανάθεση καθηκόντων.
- Ομαδοποιημένη Μάθηση (Federated Learning [FL]) για συνεργατική ανάπτυξη μοντέλων μηχανικής μάθησης.
- Συστοιχία αλυσίδας (blockchain) για προηγμένη διαφάνεια και ασφάλεια.
Αυτές οι τεχνολογίες αναβαθμίζουν την απόδοση, την προσαρμοστικότητα και την εμπιστοσύνη στο περιβάλλον της βιομηχανικής παραγωγής.
Για τις μικρομεσαίες επιχειρήσεις, η πλατφόρμα του ερευνητικού προγράμματος MARS προσφέρει μια ελκυστική πρόταση αξίας, καθώς καθιστά δυνατή την αύξηση των δυνατοτήτων τους μέσω αμοιβαίας συνεργασίας και δυναμικού προγραμματισμού της παραγωγικότητάς τους. Επιπλέον προσφέρει και τα απαιτούμενα εργαλεία μέσω των οποίων μπορεί να εναρμονιστεί η λειτουργία των επιχειρήσεων με τις νέες απαιτήσεις και πρωτοβουλίες της ΕΕ αναφορικά με τις περιβαλλοντικές προκλήσεις, πρωτοβουλίες όπως είναι για παράδειγμα η Ευρωπαϊκή Πράσινη Συμφωνία (European Green Deal).
Καθώς το ερευνητικό πρόγραμμα MARS συνεχίζει να εξελίσσεται, αναμένεται να εισαγάγει σημαντικές καινοτομίες που θα επαναπροσδιορίσουν το τοπίο της βιομηχανικής παραγωγής και θα της προσφέρουν μεγαλύτερη ανθεκτικότητα και ένα πιο βιώσιμο μέλλον.
Συνοψίζοντας, το ερευνητικό πρόγραμμα MARS γενικότερα και η συνεισφορά του του Εργαστηρίου Τεχνολογίας των Κατεργασιών (ΕΤΚ) του Εθνικού Μετσόβιου Πολυτεχνείου (ΕΜΠ) σε αυτό, αναμένονται να παράγουν σημαντικά πλεονεκτήματα στην Ευρωπαϊκή Βιομηχανία και ειδικά στις μικρομεσαίες επιχειρήσεις που προσπαθούν να καινοτομήσουν, ώστε να παραμείνουν ανταγωνιστικές σε ένα περιβάλλον που αναδιαμορφώνεται και εξελίσσεται με ραγδαίους ρυθμούς.
*Ο Μανώλης Σταθάτος είναι μεταδιδακτορικός ερευνητής, ο Πανώριος Μπενάρδος είναι επίκουρος καθηγητής και ο Γιώργος Χ. Βοσνιάκος είναι καθηγητής του ΕΜΠ. Όλοι οι συγγραφείς είναι μέλη του Εργαστηρίου Τεχνολογίας των Κατεργασιών του Ε.Μ.Π.
